La adquisición de modelos 3D de alta fidelidad a partir de escaneos del mundo real es un desafío. Los métodos existentes de completado de formas son incapaces de generar detalles de objetos o aprender distribuciones de puntos complejas. Para abordar este problema, proponemos dos redes de completado de nubes de puntos basadas en transformadores y una estrategia de grueso a fino para extraer características de forma de objetos mediante autoatención (SA) y multirresolución (MR), respectivamente. Específicamente, en la primera etapa, el modelo extrae características incompletas de nubes de puntos basadas en autoatención y codificadores de multirresolución y predice la parte faltante con un conjunto de elementos de superficie paramétricos. Luego, en la segunda etapa, fusiona la predicción de grano grueso con la nube de puntos de entrada mediante muestreo iterativo de puntos más lejanos (IFPS), para obtener una nube de puntos completa pero de grano grueso. Finalmente, en la tercera etapa, la distribución completa pero gruesa de la nube de puntos se mejora mediante una red refinadora de puntos basada en un transformador de nube de puntos (PCT). Los resultados de la comparación con métodos de última generación y experimentos de ablación en el conjunto de datos ShapeNet-Part verificaron la efectividad de nuestro método.